Link to this sectionYOLO26 모델의 배포를 위한 TFLite 내보내기 가이드#

엣지 디바이스나 임베디드 디바이스에 computer vision 모델을 배포하려면 원활한 성능을 보장할 수 있는 형식이 필요합니다.

TensorFlow Lite 또는 TFLite 내보내기 형식을 사용하면 Ultralytics YOLO26 모델을 엣지 디바이스 기반 애플리케이션의 object detection 및 image classification과 같은 작업에 최적화할 수 있습니다. 이 가이드에서는 모델을 TFLite 형식으로 변환하는 단계를 살펴보고, 이를 통해 다양한 엣지 디바이스에서 모델이 더 잘 작동하도록 돕겠습니다.

Link to this section왜 TFLite로 내보내야 할까요?#

2017년 5월 Google이 TensorFlow 프레임워크의 일부로 도입한 TensorFlow Lite(줄여서 TFLite)는 edge computing이라고도 하는 온디바이스 추론을 위해 설계된 오픈 소스 딥러닝 프레임워크입니다. 이 프레임워크는 개발자가 학습된 모델을 모바일, 임베디드, IoT 디바이스 및 일반 컴퓨터에서 실행할 수 있는 필요한 도구를 제공합니다.

TensorFlow Lite는 임베디드 Linux, Android, iOS 및 마이크로컨트롤러(MCU)를 포함한 광범위한 플랫폼과 호환됩니다. 모델을 TFLite로 내보내면 애플리케이션이 더 빨라지고 신뢰성이 높아지며 오프라인에서도 실행할 수 있게 됩니다.

Link to this sectionTFLite 모델의 주요 기능#

TFLite 모델은 개발자가 모바일, 임베디드 및 엣지 디바이스에서 모델을 실행할 수 있도록 지원하여 온디바이스 머신러닝을 구현하는 다양한 핵심 기능을 제공합니다.

• 온디바이스 최적화: TFLite는 온디바이스 ML에 최적화되어 데이터를 로컬에서 처리함으로써 지연 시간을 줄이고, 개인 데이터를 전송하지 않아 개인정보 보호를 강화하며, 모델 크기를 최소화하여 공간을 절약합니다.

• 다중 플랫폼 지원: TFLite는 Android, iOS, 임베디드 Linux 및 마이크로컨트롤러를 지원하여 광범위한 플랫폼 호환성을 제공합니다.

• 다양한 언어 지원: TFLite는 Java, Swift, Objective-C, C++, Python 등 다양한 프로그래밍 언어와 호환됩니다.

• 고성능: 하드웨어 가속과 모델 최적화를 통해 뛰어난 성능을 달성합니다.

Link to this sectionTFLite의 배포 옵션#

YOLO26 모델을 TFLite 형식으로 내보내는 코드를 살펴보기 전에 TFLite 모델이 일반적으로 어떻게 사용되는지 알아보겠습니다.

TFLite는 머신러닝 모델을 위한 다음과 같은 다양한 온디바이스 배포 옵션을 제공합니다.

• Android 및 iOS 배포: TFLite를 사용하는 Android 및 iOS 애플리케이션은 엣지 기반 카메라 피드와 센서를 분석하여 객체를 감지하고 식별할 수 있습니다. TFLite는 Swift 및 Objective-C로 작성된 네이티브 iOS 라이브러리도 제공합니다. 아래 아키텍처 다이어그램은 TensorFlow Lite를 사용하여 학습된 모델을 Android 및 iOS 플랫폼에 배포하는 과정을 보여줍니다.

• Implementing with Embedded Linux: If running inferences on a Raspberry Pi using the Ultralytics Guide does not meet the speed requirements for your use case, you can use an exported TFLite model to accelerate inference times. Additionally, it's possible to further improve performance by utilizing a Coral Edge TPU device.

• 마이크로컨트롤러 배포: TFLite 모델은 단 몇 KB의 메모리만 있는 마이크로컨트롤러 및 기타 디바이스에도 배포할 수 있습니다. 핵심 런타임은 Arm Cortex M3에서 16 KB 공간만 차지하며 많은 기본 모델을 실행할 수 있습니다. 운영 체제 지원이나 표준 C 또는 C++ 라이브러리, 동적 메모리 할당이 필요하지 않습니다.

Link to this sectionTFLite로 내보내기: YOLO26 모델 변환#

모델을 TFLite 형식으로 변환하여 온디바이스 모델 실행 효율성을 개선하고 성능을 최적화할 수 있습니다.

Link to this section설치#

필수 패키지를 설치하려면 다음을 실행하십시오:

# Install the required package for YOLO26
pip install ultralytics

설치 과정과 관련된 자세한 지침 및 모범 사례는 Ultralytics 설치 가이드를 확인하십시오. YOLO26용 필수 패키지를 설치하는 동안 문제가 발생하면 일반 문제 가이드에서 해결책과 팁을 확인하십시오.

Link to this section사용법#

모든 Ultralytics YOLO26 모델은 즉시 내보내기를 지원하도록 설계되어 있어 선호하는 배포 워크플로우에 쉽게 통합할 수 있습니다. 전체 지원 내보내기 형식 및 구성 옵션 목록을 보고 애플리케이션에 가장 적합한 설정을 선택할 수 있습니다.

TFLite 형식은 내보내기, 예측 및 검증 모드를 지원합니다. 모델을 내보낸 후 내보낸 모델을 로드하여 추론을 실행하거나 정확도를 검증하십시오.

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TFLite format
model.export(format="tflite")  # creates 'yolo26n_float32.tflite'

from ultralytics import YOLO

# Load the exported TFLite model
model = YOLO("yolo26n_float32.tflite")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Load the exported TFLite model
model = YOLO("yolo26n_float32.tflite")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Link to this section내보내기 인수#

내보내기 프로세스에 대한 자세한 내용은 내보내기에 대한 Ultralytics 문서 페이지를 참조하십시오.

Link to this section내보낸 YOLO26 TFLite 모델 배포#

Ultralytics YOLO26 모델을 TFLite 형식으로 성공적으로 내보낸 후 배포할 수 있습니다. TFLite 모델을 실행하기 위한 기본적이고 권장되는 첫 번째 단계는 이전 사용 코드 스니펫에서 설명한 대로 YOLO("model.tflite") 메서드를 사용하는 것입니다. 그러나 다양한 다른 환경에서 TFLite 모델을 배포하는 방법에 대한 자세한 지침은 다음 리소스를 참조하십시오.

• Android: Android 애플리케이션에 TensorFlow Lite를 통합하기 위한 퀵 스타트 가이드로, 머신러닝 모델을 설정하고 실행하는 따라 하기 쉬운 단계를 제공합니다.

• iOS: iOS 애플리케이션에서 TensorFlow Lite 모델을 통합하고 배포하려는 개발자를 위한 상세 가이드를 확인하십시오. 단계별 지침과 리소스를 제공합니다.

• 종단간 예제: 이 페이지에서는 모바일 및 엣지 디바이스에서 머신러닝 프로젝트에 TensorFlow Lite를 구현하려는 개발자를 돕기 위해 설계된 실용적인 애플리케이션과 튜토리얼을 선보이는 다양한 TensorFlow Lite 예제에 대한 개요를 제공합니다.

Link to this section요약#

이 가이드에서는 TFLite 형식으로 내보내는 방법에 초점을 맞췄습니다. Ultralytics YOLO26 모델을 TFLite 모델 형식으로 변환하면 YOLO26 모델의 효율성과 속도를 향상할 수 있으며, 이를 통해 엣지 컴퓨팅 환경에 더욱 효과적이고 적합하게 만들 수 있습니다.

사용법에 대한 자세한 내용은 TFLite 공식 문서를 방문하십시오.

또한 다른 Ultralytics YOLO26 통합에 대해 궁금한 점이 있으면 통합 가이드 페이지를 확인하십시오. 그곳에서 유용한 정보와 통찰력을 많이 찾을 수 있습니다.

Link to this sectionFAQ#

Link to this sectionYOLO26 모델을 TFLite 형식으로 내보내려면 어떻게 해야 하나요?#

YOLO26 모델을 TFLite 형식으로 내보내려면 Ultralytics 라이브러리를 사용할 수 있습니다. 먼저 다음을 사용하여 필수 패키지를 설치하십시오:

pip install ultralytics

그런 다음, 다음 코드 스니펫을 사용하여 모델을 내보내십시오:

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TFLite format
model.export(format="tflite")  # creates 'yolo26n_float32.tflite'

CLI 사용자의 경우 다음을 통해 수행할 수 있습니다:

yolo export model=yolo26n.pt format=tflite # creates 'yolo26n_float32.tflite'

자세한 내용은 Ultralytics 내보내기 가이드를 방문하십시오.

Link to this sectionYOLO26 모델 배포에 TensorFlow Lite를 사용하면 어떤 이점이 있나요?#

TensorFlow Lite(TFLite)는 온디바이스 추론을 위해 설계된 오픈 소스 딥러닝 프레임워크로, YOLO26 모델을 모바일, 임베디드 및 IoT 디바이스에 배포하는 데 이상적입니다. 주요 이점은 다음과 같습니다:

• 온디바이스 최적화: 데이터를 로컬에서 처리하여 지연 시간을 최소화하고 개인정보 보호를 강화합니다.
• 플랫폼 호환성: Android, iOS, 임베디드 Linux 및 MCU를 지원합니다.
• 성능: 하드웨어 가속을 활용하여 모델의 속도와 효율성을 최적화합니다.

자세한 내용은 TFLite 가이드를 확인하십시오.

Link to this sectionRaspberry Pi에서 YOLO26 TFLite 모델을 실행할 수 있나요?#

네, Raspberry Pi에서 YOLO26 TFLite 모델을 실행하여 추론 속도를 개선할 수 있습니다. 먼저 위에서 설명한 대로 모델을 TFLite 형식으로 내보내십시오. 그런 다음 TensorFlow Lite Interpreter와 같은 도구를 사용하여 Raspberry Pi에서 모델을 실행하십시오.

추가 최적화를 위해 Coral Edge TPU 사용을 고려할 수 있습니다. 자세한 단계는 Raspberry Pi 배포 가이드 및 Edge TPU 통합 가이드를 참조하십시오.

Link to this sectionYOLO26 예측을 위해 마이크로컨트롤러에서 TFLite 모델을 사용할 수 있나요?#

네, TFLite는 리소스가 제한된 마이크로컨트롤러에서의 배포를 지원합니다. TFLite의 핵심 런타임은 Arm Cortex M3에서 16 KB의 메모리만 필요로 하며 기본적인 YOLO26 모델을 실행할 수 있습니다. 이로 인해 최소한의 컴퓨팅 성능과 메모리를 갖춘 디바이스에 배포하는 데 적합합니다.

시작하려면 TFLite Micro for Microcontrollers 가이드를 방문하십시오.

Link to this sectionTFLite로 내보낸 YOLO26 모델과 호환되는 플랫폼은 무엇인가요?#

TensorFlow Lite는 광범위한 플랫폼 호환성을 제공하여 다음과 같은 다양한 디바이스에 YOLO26 모델을 배포할 수 있도록 합니다:

• Android 및 iOS: TFLite Android 및 iOS 라이브러리를 통한 네이티브 지원.
• 임베디드 Linux: Raspberry Pi와 같은 싱글 보드 컴퓨터에 이상적.
• 마이크로컨트롤러: 리소스가 제한된 MCU에 적합.

배포 옵션에 대한 자세한 내용은 상세 배포 가이드를 참조하십시오.

Link to this sectionYOLO26 모델을 TFLite로 내보내는 동안 발생하는 일반적인 문제를 어떻게 해결하나요?#

YOLO26 모델을 TFLite로 내보내는 동안 오류가 발생하면 다음과 같은 일반적인 해결책이 있습니다:

• 패키지 호환성 확인: Ultralytics와 TensorFlow의 호환 가능한 버전을 사용하고 있는지 확인하십시오. 설치 가이드를 참조하십시오.
• 모델 지원: Ultralytics 내보내기 문서 페이지를 확인하여 특정 YOLO26 모델이 TFLite 내보내기를 지원하는지 확인하십시오.
• 양자화 문제: INT8 양자화를 사용할 때는 data 매개변수에 데이터셋 경로가 올바르게 지정되었는지 확인하십시오.

추가 문제 해결 팁은 일반 문제 가이드를 방문하십시오.